저번주 문제점¶

조명의 문제

image.png

CLAHE (Contrast Limited Adaptive Histogram Equalization)¶

- 영상의 명암비를 개선하기 위해 사용되는 기법¶

- 이미지의 히스토그램을 변형하여 픽셀의 분포를 균등하게 만든다¶

image.png

In [3]:
 

DexiNed¶

In [19]:
 

- 정규화

In [24]:
 

샤프닝 필터¶

- 영상의 경계(Edge)를 강조하여 영상의 선명도를 개선하는 기술¶

In [18]:
 

Image Classification¶

- Normal¶

In [ ]:
image_path = test_files[0]
file_name = os.path.basename(image_path)
print("Image file name:", file_name)

print(cf_model.predict(PILImage.create(image_path)))
PILImage.create(image_path)
Image file name: Nor_cl_ga_bg_0_sharp_kernel2.jpg
('Nor', tensor(0), tensor([0.9416, 0.0584]))
Out[ ]:
In [18]:
image_path = test_files[4]
file_name = os.path.basename(image_path)
print("Image file name:", file_name)

print(cf_model.predict(PILImage.create(image_path)))
PILImage.create(image_path)
Image file name: Nor_cl_ga_bg_3_sharp_kernel2.jpg
('Nor', tensor(0), tensor([0.8335, 0.1665]))
Out[18]:

- wear¶

In [19]:
image_path = test_files[14]
file_name = os.path.basename(image_path)
print("Image file name:", file_name)

print(cf_model.predict(PILImage.create(image_path)))
PILImage.create(image_path)
Image file name: wear_cl_ga_bg_40_sharp_kernel2.jpg
('Wear', tensor(1), tensor([0.0791, 0.9209]))
Out[19]:
In [21]:
image_path = test_files[11]
file_name = os.path.basename(image_path)
print("Image file name:", file_name)

print(cf_model.predict(PILImage.create(image_path)))
PILImage.create(image_path)
Image file name: wear_cl_ga_bg_29_sharp_kernel2.jpg
('Wear', tensor(1), tensor([0.0624, 0.9376]))
Out[21]:

아이디어¶

1. 임계값 설정¶

  • 각 모델(전류 감지 및 마모 예측 모델, 마모도 정량화 및 세그멘테이션 모델, 이미지 분류 모델)의 출력 임계값을 설정합니다.

2. 모델 출력 비교¶

  • 각 모델의 출력을 해당 임계값과 비교합니다.
  • 세그멘테이션 모델의 값이 특정 값을 초과하는지, 이미지 분류 모델이 절삭품을 마모된 공구로 분류하는지 확인합니다.

3. 결정 시스템 액션¶

  • 모든 모델의 출력이 임계값을 초과하는 경우, 결정 시스템은 액션을 취합니다.
  • 이 경우, 시스템은 공구 교체를 권장하게 됩니다.

4. 데이터 재수집¶

  • 현재 공구는 마모가 될때 까지 작업을 수행.
  • 가공횟수별 공구의 마모상태를 파악하기 위해 마모가 될때까지 작업을 수행하는것이 아닌, 작업 횟수별 데이터 수집
In [ ]: